📄Работа №38166
Тема: АЛГОРИТМИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ЗАДАЧИ КЛАССИФИКАЦИИ ПО ФОРМЕ
Тип работы
Дипломные работы, ВКР
Предмет
информатика
Объем:
52 листов
Год:
2019
Просмотров:
263
6500
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 3
1. КЛАССИФИКАЦИЯ ПО ФОРМЕ 5
1.1. Задача классификации 5
1.2. Различные подходы к формализации формы 7
1.2.1. Контурные методы описания формы 7
1.2.2. Методы описания формы по регионам 9
1.2.3. Формализация формы распределением случайных хорд 10
1.2.4. Сравнение по форме невыпуклых фигур методом случайных хорд 11
1.3. Решение задачи классификации по форме и описание классов 13
1.4. 3D модели объектов и их проекции 15
1.5. Методы формирования наборов проекций 18
1.5.1. Множество проекций с фиксированным шагом 18
1.5.2. Описания из уникальных проекций 18
1.5.3. Описание на основе обучения 19
1.5.4. Сравнение описаний 20
1.6. Информативность формы 21
2. ПОСТРОЕНИЕ ПРОЕКЦИИ ПО ИЗОБРАЖЕНИЮ 24
2.1. Предварительные соображения 24
2.2. Обзор известных методов сегментации 25
2.2.1. Метод Оцу 25
2.2.2. Метод водораздела 26
2.2.3. Метод k-средних 28
2.3. Зона интереса с бимодальным распределение 29
2.3.1. Определение зоны интереса с бимодальным распределением 29
2.3.2. Решение задачи сегментации при бимодальном распределении 31
2.4. Зона интереса с мультимодальным распределением 32
2.4.1. Определение зона интереса с мультимодальным распределением 32
2.4.2. Решение задачи сегментации при мультимодальном распределения 33
2.5. Эффективность классификации объектов по реальным изображениям 36
3. ПРОГРАММНЫЕ СРЕДСТВА 39
3.1. Построение проекций по 3D моделям 39
3.2. Получение описаний классов 42
3.3. Определение проекций по изображениям 45
3.4. Оценка информативности 46
3.5. Классификация объектов по набору последовательности кадров 48
ЗАКЛЮЧЕНИЕ 50
СПИСОК ЛИТЕРАТУРЫ 51
1. КЛАССИФИКАЦИЯ ПО ФОРМЕ 5
1.1. Задача классификации 5
1.2. Различные подходы к формализации формы 7
1.2.1. Контурные методы описания формы 7
1.2.2. Методы описания формы по регионам 9
1.2.3. Формализация формы распределением случайных хорд 10
1.2.4. Сравнение по форме невыпуклых фигур методом случайных хорд 11
1.3. Решение задачи классификации по форме и описание классов 13
1.4. 3D модели объектов и их проекции 15
1.5. Методы формирования наборов проекций 18
1.5.1. Множество проекций с фиксированным шагом 18
1.5.2. Описания из уникальных проекций 18
1.5.3. Описание на основе обучения 19
1.5.4. Сравнение описаний 20
1.6. Информативность формы 21
2. ПОСТРОЕНИЕ ПРОЕКЦИИ ПО ИЗОБРАЖЕНИЮ 24
2.1. Предварительные соображения 24
2.2. Обзор известных методов сегментации 25
2.2.1. Метод Оцу 25
2.2.2. Метод водораздела 26
2.2.3. Метод k-средних 28
2.3. Зона интереса с бимодальным распределение 29
2.3.1. Определение зоны интереса с бимодальным распределением 29
2.3.2. Решение задачи сегментации при бимодальном распределении 31
2.4. Зона интереса с мультимодальным распределением 32
2.4.1. Определение зона интереса с мультимодальным распределением 32
2.4.2. Решение задачи сегментации при мультимодальном распределения 33
2.5. Эффективность классификации объектов по реальным изображениям 36
3. ПРОГРАММНЫЕ СРЕДСТВА 39
3.1. Построение проекций по 3D моделям 39
3.2. Получение описаний классов 42
3.3. Определение проекций по изображениям 45
3.4. Оценка информативности 46
3.5. Классификация объектов по набору последовательности кадров 48
ЗАКЛЮЧЕНИЕ 50
СПИСОК ЛИТЕРАТУРЫ 51
📖 Введение
Форма является одним из главных признаков, применяемых при визуальной классификации объектов. Задачей данной работы является создание алгоритмического и программного обеспечения для решения задачи автоматической классификации объектов по форме их проекции.
Общепризнанного определения формы на сегодняшний момент нет, человек сравнивает объекты по форме на подсознательном уровне. При автоматической классификации по форме возникает необходимость в формализации определения данного понятия. В настоящей работе в качества определения формы используется распределение двух случайных величин. Первая случайная величина описывает число хорд, вырезаемых фигурой из случайной прямой пересекающей фигуру. Вторая - сумму длин этих хорд.
Обычно сведения об ориентации наблюдаемого объекта отсутствуют. Поэтому для каждого объекта требуется создать описание, представляющее набор его возможных проекций, соответствующих различным углам наблюдения. Существует несколько способов формирования подобных наборов проекций, которые рассматриваются в данной работе. Для решения этой подзадачи используются 3D модели классифицируемых объектов.
В качестве исходной информации при классификации объектов используются изображения сцены. Получение проекций, образующих сцену объектов, по ее изображению называется сегментацией. В случае, когда окружение около объектов однородное, сегментация зоны интереса формулируется как задача классификации ее пикселей на два класса.Данная задача сводится к поиску порога, который разделяет пиксели, образующие проекцию, в один класс (объект), а остальные пиксели - в другой (фон).Однако, на практике, как правило, имеют дело с неоднородным фоном. В этом, более сложном случае, сегментация сводится к решению задачи кластеризации.
Решением будет являться выявления значимых локальных максимумов на гистограмме плотности распределения яркости пикселей.
Разработанные в ходе выполнения работы алгоритмы и программные средства использованы в ОКР, проводимых АО «НПК «СПП».
Общепризнанного определения формы на сегодняшний момент нет, человек сравнивает объекты по форме на подсознательном уровне. При автоматической классификации по форме возникает необходимость в формализации определения данного понятия. В настоящей работе в качества определения формы используется распределение двух случайных величин. Первая случайная величина описывает число хорд, вырезаемых фигурой из случайной прямой пересекающей фигуру. Вторая - сумму длин этих хорд.
Обычно сведения об ориентации наблюдаемого объекта отсутствуют. Поэтому для каждого объекта требуется создать описание, представляющее набор его возможных проекций, соответствующих различным углам наблюдения. Существует несколько способов формирования подобных наборов проекций, которые рассматриваются в данной работе. Для решения этой подзадачи используются 3D модели классифицируемых объектов.
В качестве исходной информации при классификации объектов используются изображения сцены. Получение проекций, образующих сцену объектов, по ее изображению называется сегментацией. В случае, когда окружение около объектов однородное, сегментация зоны интереса формулируется как задача классификации ее пикселей на два класса.Данная задача сводится к поиску порога, который разделяет пиксели, образующие проекцию, в один класс (объект), а остальные пиксели - в другой (фон).Однако, на практике, как правило, имеют дело с неоднородным фоном. В этом, более сложном случае, сегментация сводится к решению задачи кластеризации.
Решением будет являться выявления значимых локальных максимумов на гистограмме плотности распределения яркости пикселей.
Разработанные в ходе выполнения работы алгоритмы и программные средства использованы в ОКР, проводимых АО «НПК «СПП».
✅ Заключение
В ходе выполнения настоящей работы разработано алгоритмическое и программное обеспечение для решения задачи классификации объектов по форме их проекции на плоскость перпендикулярную направлению наблюдения. Оно обеспечивает:
• сравнение проекций плоских фигур по их форме;
• создание описаний классов на основе 3d моделей образующих их объектов;
• построение проекций объектов по изображениям зон интереса с простым и сложным фоном;
• классификацию объектов, представленных на кадрах видео последовательностей, формируемых кадровыми оптикоэлектронными системами.
Разработанные алгоритмы и программы использованы в ОКР, проводимых АО «НПК «СПП».
• сравнение проекций плоских фигур по их форме;
• создание описаний классов на основе 3d моделей образующих их объектов;
• построение проекций объектов по изображениям зон интереса с простым и сложным фоном;
• классификацию объектов, представленных на кадрах видео последовательностей, формируемых кадровыми оптикоэлектронными системами.
Разработанные алгоритмы и программы использованы в ОКР, проводимых АО «НПК «СПП».
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.